基于卷积神经网络的条件式可变形图像配准
计算机视觉与模式识别
2021-07-06 v2 图像与视频处理
摘要
近期基于深度学习的方法在可变形图像配准中展现出有前景的结果和运行时优势。然而，分析超参数的影响并搜索最优正则化参数在基于深度学习的方法中被证明过于昂贵。这是因为它涉及训练大量具有不同超参数值的独立模型。在本文中，我们提出一种条件式图像配准方法以及一种用于深度可变形图像配准的新自监督学习范式。通过学习与正则化超参数相关的条件特征，我们证明具有任意超参数的最优解可由单个深度卷积神经网络捕获。此外，所得形变场的平滑度可在推理时通过任意强度的平滑正则化进行调控。在一个大规模脑 MRI 数据集上的大量实验表明，我们提出的方法能够精确控制形变场的平滑度，且不牺牲运行时优势或配准精度。
引用
@article{arxiv.2106.12673,
title = {Conditional Deformable Image Registration with Convolutional Neural Network},
author = {Tony C. W. Mok and Albert C. S. Chung},
journal= {arXiv preprint arXiv:2106.12673},
year = {2021}
}
备注
Early accepted by MICCAI2021